.png){kind=icon}
返回
Optimization-Based Sensitivity Analysis for Unmeasured Confounding Using Partial Correlations
.png){kind=icon}
PRE
AI
DOI：10.1080/10618600.2025.2573156.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
因果推断必然依赖于不可检验的假设；因此，评估所获结果对识别假设违反的稳健性至关重要。然而，这种敏感性分析在实践中仅偶尔进行，因为许多现有方法需要可解析求解，且其结果往往难以解释。我们采取更灵活的敏感性分析方法，将其视为一个受约束的随机优化问题。本研究聚焦于当存在未测量混杂因素和潜在工具变量时，对线性因果效应的敏感性分析。我们展示了OLS和TSLS估计量的偏差如何以偏相关表示。利用关联不同偏相关的代数规则，实践者可以指定直观的敏感性模型以约束偏差。我们进一步表明，启发式插值敏感性区间可能没有任何置信保证；相反，我们提出了一种bootstrap方法来构建敏感性区间，该方法在数值模拟中表现良好。我们以一项关于教育对收入因果效应的实际研究为例，阐述了所提出的方法，并提供了用户友好的可视化工具。
Keyword:
Causal inference
Instrumental variables
Partial identification
Stochastic optimization
期刊
J
IF:
1.8
论文数:
138
被引数:
6.4K
机构
引用论文
Interval estimation of population means under unknown but bounded probabilities of sample selection.png)
Biometrika
BiometrikaIF0
PREAI
分享收藏An Omitted Variable Bias Framework for Sensitivity Analysis of Instrumental Variables工具变量敏感性分析中的遗漏变量偏误框架Biometrika
BiometrikaIF0
PREAI
分享收藏Sensitivity analysis for inverse probability weighting estimators via the percentile bootstrap基于百分位引导的逆概率加权估计器的灵敏度分析
OAAI
OAAI分享收藏Sensitivity to Unobserved Confounding in Studies with Factor-Structured Outcomes在具有因子结构结果的研究中对未观察到的混杂的敏感性
OAAI
OAAI分享收藏分享收藏An evaluation of instrumental variable strategies for estimating the effects of catholic schooling评估评估天主教学校教育效果的工具变量策略
PREAI
分享收藏分享收藏
查看更多内容